福州大学数字中国研究院（福建）邬群勇研究员团队近日在物联网领域的顶级期刊《IEEE Internet of Things Journal》（中科院一区，影响因子8.2）上发表题为“用于在基于物联网的智能交通系统进行交通预测的时间身份交互动态图卷积网络”（Temporal Identity Interaction Dynamic Graph Convolutional Network for Traffic Forecasting in IoT-Based ITS）的最新研究成果。该论文以福州大学为第一署名单位，第一作者为2022级硕士生杨仕煜，通讯作者为指导教师邬群勇研究员，合作者为李蒙蒙副研究员，孙玉副研究员，是团队继在 Applied Intelligence，Computers and Electrical Engineering等国际刊物发表系列城市交通预测成果之后的又一重要进展。

准确的交通预测对于改善交通质量、优化公共交通、规划基础设施至关重要。针对大部分先前的研究难以在时间维度上区分样本，忽视了各种时间尺度上道路网络节点间的依赖性，以及预定义图和自适应图等在动态空间相关性的捕获能力方面的局限，本文提出了一种新颖的时间身份交互动态图卷积网络（TIIDGCN）来同时克服上述限制。首先，我们引入了时间身份嵌入机制，将时间戳和星期信息直接整合到模型中，使模型能够有效地区分不同时间的样本，捕获交通数据的周期性和趋势性。其次，我们设计了一个多尺度交互网络，它融合空间和时间组件，通过多尺度交互学习，从宏观到微观探索时空模式，实现空间和时间特征的相互增强。最后，在空间组件中，我们提出了一种新颖的动态图学习方法用以描绘节点间的动态依赖。在四个真实世界交通数据集上进行的大量实验表明，TIIDGCN 在控制计算成本的同时，性能优于现有最先进的基线模型。

图1 模型示意图

图2 实验结果

图 3 与真值的预测对比

论文引用：S. Yang, Q. Wu, M. Li and Y. Sun, "Temporal Identity Interaction Dynamic Graph Convolutional Network for Traffic Forecasting in IoT-Based ITS," in IEEE Internet of Things Journal, doi: 10.1109/JIOT.2025.3529761.

论文链接：https://ieeexplore.ieee.org/document/10840243

团队其他交通研究系列成果：

[1] Yang, S., Wu, Q., Wang, Y., & Lin, T. (2024). SSGCRTN: a space-specific graph convolutional recurrent transformer network for traffic prediction. Applied Intelligence, 54(22), 11978-11994. https://link.springer.com/article/10.1007/s10489-024-05815-1.（中科院2区）

[2]. Yang, S., Wu, Q., Li, Z., & Wang, K. (2024). PSTCGCN: Principal spatio-temporal causal graph convolutional network for traffic flow prediction. Neural Computing and Applications, 1-14. https://link.springer.com/article/10.1007/s00521-024-10591-7

[3]. Yang, S., Wu, Q., Wang, Y., & Zhou, Z. (2025). MSTDFGRN: A Multi-view Spatio-Temporal Dynamic Fusion Graph Recurrent Network for traffic flow prediction. Computers and Electrical Engineering, 123, 110046. https://www.sciencedirect.com/science/article/pii/S0045790624009716（JCR Q1）